首页 / 运营增长 / 内容运营中具体数据决策的8个场景

内容运营中具体数据决策的8个场景

刷了刷知乎上一些所谓“数据驱动运营”的文章,额,怎么说呢,个人感觉大都数都不实用,除了“请听下回分解”的卖课文章卖产品文章,就是“理论上应该是这样”的“理想状态下”的方法论。不过,还是有一些能给人启发的,结合自己之前工作中的几个实例,总结下。

一、以结果倒推过程

实例1

在第一家公司的时候做过这样一个项目,填充不同商品详情页某个频道下的UGC内容,以提升频道CTR。

当时的做法是把竞品对应产品对应频道的数据爬一遍,看每个关键词的点击数(因为爬不到曝光数,无法直接看点击率),然后按照竞品不同关键词点击数分布比例,对应商品灌入含有这些关键词内容。

整体的思路可以概括为,既然目标是点击,那就把点击结果是什么样找出来(可以参照竞品,但不唯一要参照竞品),然后再按照这个点击结果的内在规律(分布比例,不同商品差异等)按照映射的方式,把内容重构一遍。

二、铺开面筛选结果

实例2

在上家公司团队刚组建好时,前期有个动作是组内的几个运营每人做个5-6种内容形式,合起来就有20多种。做一段时间哪些内容是ROI高的大家便心里有数了。

这里重点夸一下当时的领导,我事后觉得这样做最大的意义不是找到该做什么内容,而是平衡团队内大家的不同想法。因为当时组内每个人之前的工作方向不同,有行政转岗,有公关转岗,有编辑转岗,有市场转岗。不评价任何一个人的想法, 给与一个共同的跑道自由的去跑。

延伸2

这几个刷脉脉APP的“头条”频道(就是一些自媒体内容),有一个猜想:目前的文章呈现状态,大概率是第一批试验内容中数据比较好的(点击、评论等)的先人“开枝散叶”而来。即,最初,不用花一点心思去琢磨哪些文章内容类别等会满足需求,只需广撒网然后筛选就行了。

当然,这种是有前提调节的:

  1. 内容是成本低,可以可劲试验;
  2. 是不太影响品牌定位和用户体验,等。所以实例2因为钱呀、内容调性的约束呀等原因,我们几个的试验内容不能完全铺开,离散程度比较高。

三、汇总历史找到规律

这点几乎是广大运营用的做多的,“无非是总结复盘归类环比下嘛”。不然,做了下面这两个实例的项目,我觉得没那么简单。

实例3

在上家公司做了个短期分析,想看下不同的选题时效怎么样。简单的说就是把之前的内容分好类,汇总每个类别的点击率的走势,区分出走势拐点的区间,以后同类的内容推荐时间就按照之前的规律来。这样,可以最大化利用推荐流量,减少浪费。

当然,过程不只这么简单,需要分好几个组来汇总,去除大盘影响,去除偶然性等。不过,这个过程属于讨论怎么做数据分析的范围,而不是怎么驱动运营。

实例4

与实例3很类似。需要做个分析,看每个类型的内容每天入池多少合适。简单的说就是按照两个最主要的归类维度,看历史内容累计流量。流量多的增加入池量,流量少的减少入池量。(3是分析需求的时效,4是分析需求的比例)

之所以说没那么简答,是因为分析这个过程有个’笼子”,是根据推荐系统的推荐机制来分析的。换句话说,分析的过程是探求如何有效利用这个”笼子”的过程。

四、量化一个长链条的事情

两个典型的例子,一个是各种’转化漏斗’,一个是各种’传播模型’。不过,两种都是基于产品层面的动作,而不是内容本身。基于内容暂时还没找到合适的例子。

五、量化一个具有两面性的事情

举个简单的例子,很多APP都有开屏广告,一般3-5秒。但这个广告一般是会对APP的新用户留存,使用时长有影响的,但不放这个广告,影响赚钱。这时,APP开屏广告是显然要通过数据量化收益和损失的。

具体做法不详细说了,毕竟是别人的项目,没亲自做过也只知道个大概。简单说2方面:

  1. 价值归一,计算单用户留存等于(等价)赚多少钱,再比较单用户加载(点击)广告赚多少钱。
  2. 区分用户,找到看广告也能留下来的用户和看广告就留不下来的用户。

六、给项目定一个合理的目标

这两天前前前领导写了篇文章,讲了讲是他之前怎么给项目定目标。我大致翻译一下(顺带夹杂上我的私货)

  • 前提1:大多数绝对值数据参考性不如相对值数据,比如:“社区”板块,这个社区的每天新增内容量的参考性不如新增内容量/DAU。这点大家估计都能认同;
  • 前提2:平台数据参考性不如用户行为数据,比如:社区有多少新增内容参考性不如用户有多少点击;
  • 前提3:用户短线行为数据不如用户长线行为数据,比如这个社区每天有多少用户点击内容不如这个社区30日留存数据;

不过,具体使用哪个维度的数据来定目标要看项目发展阶段,团队风格,公司考核体系等等。

另外,关于如果设定项目目标,可以单独开一篇文章来写了,这里不过多的说了。

七、提供以另一种视角

我们每个人都知道自己在想什么,但无法知道他人(群体)在想什么。这时候数据遍提供了另一个视角,利用用户的数据观测用户的想法。

实例5

在第一家公司有过这么个项目,为了让自媒体作者保持活跃,每天导出他们贡献的内容数和收获的浏览数,增长的粉丝数。(前提,当时作者端还没有数据观测后台)这样,就能每天看到那些人获得了正向的反馈(多发多得),哪些人获得了负向的反馈(多发少得),以及那些人因为正反馈更积极了(增加产出),哪些人因为负反馈而消极了(减少产出)。

这时候再按照以上分类在合适的时间采用不同话术维度沟通,事半功倍。

八、多维度筛选,精准的投入

实例6

在实习的时候有过另一个项目,提高一个新社区的互动数据。当时做了个简单粗暴的数据是把主端对应板块的高互动内容搬过来,同样的用户群体,互动喜好是相似的。(前提哈,同样的用户群体,需要按照板块来筛选,不然的话不一定多有效)

延伸6

这几天赋闲在家疯狂刷虎扑,发现一个有意思的事情。有很多搬运的抖音小视频,还挺符合虎扑用户喜好的。但细一想,虎扑的内容推荐是和字节一起做的,这样这个事情就比较简单了。

比如,拿着虎扑的用户画像数据,去抖音匹配同样的一批用户的高互动内容,直接输出过来;或者,识别一下哪些抖音APP用户同时装了虎扑APP,把内容输出过来。

实例和延伸是同样的道理,前面进行多维度内容数据筛选,这样投入就精准的多了。

 

本文由 @建学 原创发布于人人都是产品经理

本文来自网络,本站仅提供信息存储空间服务。文中观点不代表网推实训营立场,转载请注明出处:https://www.shixunying.com/14665.html
上一篇
下一篇

为您推荐

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注

返回顶部